改进的Densebox目标检测方法、装置及存储介质制造方法及图纸

本发明专利技术公开了一种改进的Densebox目标检测方法、装置及存储介质，旨在解决现有目标检测算法网络参数冗余量大、计算复杂度高、目标检测精度不足的技术问题。其包括：获取历史道路图像数据，并进行图像预处理；基于预处理后的图像进行中心区域自适应感知，获得道路图像的训练样本集合；利用训练样本集合对预先构建的CNN网络进行训练，获得训练好的CNN网络模型；利用训练好的CNN网络模型处理待检测道路图像，获得道路目标检测结果。本发明专利技术优化了CNN网络结构，充分发挥网络的性能，同时利用自适应感知中心区域有效平衡各种尺度目标的反传loss加权，提高了目标检测精度。提高了目标检测精度。提高了目标检测精度。

【技术实现步骤摘要】
改进的Densebox目标检测方法、装置及存储介质


[0001]本专利技术涉及一种改进的Densebox目标检测方法、装置及存储介质，属于ADAS


技术介绍

[0002]随着城市交通的发展以及汽车保有量大幅增加，道路交通安全已然成为全社会关注的焦点，同时，汽车的安全问题也已成为全球性的社会问题。世界各国都尽可能的采用各种数字电子技术与方法来减少交通事故和人员伤亡，同时提高汽车的主动安全性能。在汽车主动安全技术方面，目标检测是ADAS技术的基础，也是关键技术，通过摄像头实时获取前方道路的数据，对车辆周围道路状况进行实时的监控，在危险来临时能够及时提醒驾驶员或者直接对车辆进行合理的干涉，以降低车辆碰撞事故发生的概率。
[0003]现有的前向目标(车辆、行人、两轮车)检测算法，为了保证算法的性能，通常使用了较为深的网络，比如Densebox网络结构，其网络参数冗余量大，导致在移动芯片上负载较大，不能很好的满足实时效果，同时网络越深，图像中的中远距离的一些小目标无法很好的通过损失函数反馈到网络参数中，导致中远目标的召回率较低。
[0004]Densebox框架中为每一个边界框定义一个固定尺度的中心区域，该中心区域中像素点的类别要与边界框的类别一致，如果中心区域任一像素点被判定出某种类别目标，则用左上角、右下角及中心点的分数的平均值更新边界框的分数，并保存该边界框。固定尺度的中心区域会导致各种尺度的目标对损失函数的加权不平衡扩大，使得小中心区域，对应小的边界框具有较低的召回率，而大区域相对于大的目标造成较低的精度。

技术实现思路

[0005]针对现有技术中Densebox目标检测算法网络参数冗余量大、计算复杂度高、目标检测精度不足的问题，本专利技术提出了一种改进的Densebox目标检测方法、装置及存储介质，根据图像中的标注框自适应的感知中心区域，以适配不同尺度的目标，提升中远距离小目标的召回率和目标检测精度，同时在原有网络的基础上进行修改，提高网络利用率。
[0006]为解决上述技术问题，本专利技术采用了如下技术手段：
[0007]第一方面，本专利技术提出了一种改进的Densebox目标检测方法，包括如下步骤：
[0008]获取历史道路图像数据，并进行图像预处理；
[0009]基于预处理后的图像进行中心区域自适应感知，获得道路图像的训练样本集合；
[0010]利用训练样本集合对预先构建的CNN网络进行训练，获得训练好的CNN网络模型，所述CNN网络是基于特征金字塔网络技术构建的；
[0011]利用训练好的CNN网络模型处理待检测道路图像，获得道路目标检测结果。
[0012]结合第一方面，进一步的，所述图像预处理的具体操作如下：
[0013]获取历史道路图像数据，所述历史道路图像数据包括多幅历史道路图像、与历史道路图像对应的历史目标检测结果；
[0014]对历史道路图像进行数据标注，确定历史道路图像的标注框，获得标注图像；
[0015]对标注图像进行数据增广处理，获得预处理后的图像。
[0016]结合第一方面，进一步的，所述数据增广处理包括图像裁剪、图像翻转。
[0017]结合第一方面，进一步的，所述标注图像中具有一个或多个标注框。
[0018]结合第一方面，进一步的，对每一幅预处理后的图像进行中心区域自适应感知的方法具体包括如下步骤：
[0019]以预处理后的图像i的左下角为坐标原点，建立图像坐标系，其中，i＝1,2,
…
,p，p为预处理后的图像的总数；
[0020]选取预处理后的图像i中的标注框j，基于图像坐标系，获取标注框j的左上角坐标(tl
x
，tl
y
)和右下角坐标(br
x
，br
y
)，其中，j＝1,2,
…
,q，q为预处理后的图像i中的标注框总数；
[0021]根据标注框j的坐标自适应感知中心区域j的坐标，具体公式如下：
[0022][0023]其中，(ctl
x
，ctl
y
)表示中心区域j的左上角坐标，(cbr
x
，cbr
y
)表示中心区域j的右下角坐标，当标注框j的宽度大于100像素时，n＝5，否则n＝3。
[0024]结合第一方面，进一步的，所述CNN网络训练的具体操作如下：
[0025]步骤301、获取基于特征金字塔网络技术构建的具有跨层连接的CNN网络；
[0026]步骤302、将训练样本集合输入CNN网络的输入层，利用CNN网络对训练样本集合中的每个图像训练样本进行降采样处理，获得降采样图像，并将降采样图像作为CNN网络下一层的输入；
[0027]步骤303、在CNN网络的第m层，对第m层的降采样图像进行上采样处理，并获得上采样图像的特征图，记为f1，其中，CNN网络共有M层，m＝1,2,
…
,M；
[0028]步骤304、获取CNN网络中第m-1层的降采样图像的特征图，记为f2；
[0029]步骤305、对f1和f2进行通道叠加处理，获得融合特征图，并将融合特征图作为CNN网络第m层的降采样图像的特征图；
[0030]步骤306、重复步骤303～305，令CNN网络中每一层的特征图都融合了不同分辨率、不同语义强度的特征；
[0031]步骤307、利用融合特征图进行不同分辨率大小的目标检测，输出初始目标检测结果；
[0032]步骤308、基于历史目标检测结果和初始目标检测结果对CNN网络进行迭代优化，获得训练好的CNN网络模型。
[0033]第二方面，本专利技术提出了一种改进的Densebox目标检测装置，包括：
[0034]图像处理模块，用于获取历史道路图像数据和实时待检测道路图像，并对历史道路图像数据进行预处理；
[0035]自适应感知模块，用于对预处理后的图像进行中心区域自适应感知，获得训练样本集合；
[0036]模型训练模块，用于利用训练样本集合对预先构建的CNN网络进行训练，获得训练好的CNN网络模型；
[0037]目标检测模块，用于利用训练好的CNN网络模型处理待检测道路图像，获得道路目标检测结果。
[0038]结合第二方面，进一步的，所述模型训练模块中的CNN网络是基于特征金字塔网络技术构建的具有跨层连接的CNN网络。
[0039]第三方面，本专利技术提出了一种改进的Densebox目标检测装置，包括处理器及存储介质；
[0040]所述存储介质用于存储指令；
[0041]所述处理器用于根据所述指令进行操作以执行第一方面所述方法的步骤。
[0042]第四方面，本专利技术提出了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现第一方面所述方法的步骤。
[0043]采用以上技术手段后可以获得以下优势：
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进的Densebox目标检测方法，其特征在于，包括如下步骤：获取历史道路图像数据，并进行图像预处理；基于预处理后的图像进行中心区域自适应感知，获得道路图像的训练样本集合；利用训练样本集合对预先构建的CNN网络进行训练，获得训练好的CNN网络模型，所述CNN网络是基于特征金字塔网络技术构建的；利用训练好的CNN网络模型处理待检测道路图像，获得道路目标检测结果。2.根据权利要求1所述的一种改进的Densebox目标检测方法，其特征在于，所述图像预处理的具体操作如下：获取历史道路图像数据，所述历史道路图像数据包括多幅历史道路图像、与历史道路图像对应的历史目标检测结果；对历史道路图像进行数据标注，确定历史道路图像的标注框，获得标注图像；对标注图像进行数据增广处理，获得预处理后的图像。3.根据权利要求2所述的一种改进的Densebox目标检测方法，其特征在于，所述数据增广处理包括图像裁剪、图像翻转。4.根据权利要求2所述的一种改进的Densebox目标检测方法，其特征在于，所述标注图像中具有一个或多个标注框。5.根据权利要求2或4任一项所述的一种改进的Densebox目标检测方法，其特征在于，对每一幅预处理后的图像进行中心区域自适应感知的方法具体包括如下步骤：以预处理后的图像i的左下角为坐标原点，建立图像坐标系，其中，i＝1,2,
…
,p，p为预处理后的图像的总数；选取预处理后的图像i中的标注框j，基于图像坐标系，获取标注框j的左上角坐标(tl
x
，tl
y
)和右下角坐标(br
x
，br
y
)，其中，j＝1,2,
…
,q，q为预处理后的图像i中的标注框总数；根据标注框j的坐标自适应感知中心区域j的坐标，具体公式如下：其中，(ctl
x
，ctl
y
)表示中心区域j的左上角坐标，(cbr
x
，cbr
y
)表示中心区域j的右下角坐标，当标注框j的宽度大于100像素时，n＝5，否则n＝3。6.根据权利要求1所...

【专利技术属性】
技术研发人员：朱晓东，刘国清，季思文，
申请(专利权)人：南京佑驾科技有限公司，
类型：发明
国别省市：